Künstliche Intelligenz: Enabler für den Fortschritt in der Gesundheitsversorgung
Klinik, Verwaltung und Management profitieren von smarten Algorithmen
Künstliche Intelligenz (KI) – dieses Thema fehlt auf kaum einer Veranstaltungsagenda im Kontext der Gesundheitsversorgung. Wer als Jungunternehmen KI in seinen Pitches erwähnt, hat beste Aussichten auf Investoreninteresse. Was steckt hinter KI in der Medizin? Hält der Ansatz seine Nutzenversprechen?
Über Jahrzehnte war Künstliche Intelligenz ein Ziel, das Forschende und Entwickelnde in vielen Wirtschaftsbereichen verfolgten. Während in dieser Zeit realer Nutzen kaum erzielt wurde, hat sich die Lage in den letzten Jahren deutlich verändert: leistungsfähigere Rechner, verfügbare Volumendaten und das gemeinsame Engagement von Informatikern, Medizinern und Krankenhausmanagern führen dazu, dass die Technologie inzwischen immer mehr ihrer Nutzenversprechen einlösen kann.
Ebenen der Künstlichen Intelligenz
Der Begriff wird unterschiedlich interpretiert. Plausibel ist eine Dreiteilung: So ist die Technologiestufe der Mustererkennung (Pattern Matching) erfolgreich im Einsatz insbesondere in der medizinischen Bildgebung. Erfolg bedeutet hier, dass klinische Studien der KI mindestens dieselbe Erkennungsrate attestieren. Mustererkennung beruht auf Algorithmen – programmierten Abläufen – und auf großen Mengen an Daten, die qualitätsgesichert sein müssen. Dieser Ansatz bildet ab, was Fachleute, also Menschen, an Wissen vorab eingespeist haben.
Die nächste Stufe ist Machine Learning: Ein Algorithmus lernt, durch Wiederholung selbstständig eine Aufgabe zu erfüllen. Dabei orientiert er sich an vorgegebenen Qualitätskriterien und am Informationsgehalt der Daten. Anders als bei herkömmlichen Algorithmen wird beim maschinellen Lernen kein Lösungsweg modelliert.
Die dritte Stufe ist inspiriert von Nervenzellenverbindungen im menschlichen Gehirn: den neuronalen Netzen. Die künstliche Analogie zu Neuronen und Synapsen besteht aus mehreren Reihen von Datenknoten, die mit gewichteten Verbindungen untereinander vernetzt sind. Trainiert werden die Lernalgorithmen in neuronalen Netzen fortlaufend mit neuen Daten. Deep Neural Networks können eine enorme Zahl an Neuronen-Schichten aufweisen; so lassen sich mit Deep Learning komplexe Probleme lösen.
Wenn Sie mehr über Health Discovery erfahren möchten, empfehlen wir Ihnen: https://averbis.com/health-discovery/